#ia #modelos #open-source
DeepSeek abre os pesos do V4-Flash-Vision-Exp e encosta na Opus 4.8 em benchmarks visuais
A DeepSeek liberou o V4-Flash-Vision-Exp, um modelo multimodal experimental que adiciona compreensão de imagem e screenshots ao seu “cavalo de batalha” de texto, o V4-Flash — e a empresa afirma que ele fica praticamente no nível da Opus 4.8, da Anthropic, em benchmarks de agentes visuais.
O modelo entrou no ar em 21 de agosto na API da DeepSeek (ID deepseek-v4-flash-vision-exp) e já vem de fábrica com o DeepSeek Harness 0.1.1. A versão experimental também teve os pesos abertos sob licença MIT, seguindo a estratégia da empresa de liberar modelos para a comunidade.
O que mudou
A novidade é que o V4-Flash, que era só texto, agora enxerga. Segundo os dados de benchmark divulgados pela própria DeepSeek, o Vision-Exp mantém o desempenho de texto do V4-Flash — dentro de um ou dois pontos em seis das sete avaliações — o que indica que a empresa não sacrificou qualidade de texto para ganhar visão.
No lado multimodal, os resultados chamam mais atenção: o modelo vence a Opus 4.8 em dois dos quatro benchmarks de agente multimodal:
- Agents’ Last Exam: 27,3 vs 25,7;
- ZeroBench Pass@5: 35,0 vs 34,0;
- ApexBench: 36,5 vs 39,4 (perde);
- Chartography: 64,3 vs 65,0 (perde por pouco).
O detalhe importante é que esses não são testes simples de legendar imagem — são tarefas de agente que exigem ler screenshots, gráficos e diagramas dentro de um loop mais longo de uso de ferramentas. Em outra avaliação de engenharia de software do mundo real (DeepSWE), o modelo chegou a marcar 59,3%, à frente da Opus 4.8.
A história do preço
Para desenvolvedores, o ponto mais interessante talvez seja o preço. A DeepSeek não cobra tarifa separada por tokens de imagem: cada imagem consome até 384 tokens de entrada e é faturada pela mesma taxa do V4-Flash — US$ 0,007 por milhão de tokens fora do horário de pico com cache, ou US$ 0,22 por milhão sem cache. Na prática, visão virou um upgrade “grátis” para quem já roda V4-Flash em tarefas de agente de texto, eliminando a necessidade de rotear leituras de screenshot para um modelo de visão separado.
O modelo aceita JPEG, PNG, GIF e WebP, suporta até 600 imagens por requisição e funciona nas APIs Chat Completions, Messages (compatível com Anthropic) e Responses (compatível com OpenAI). O rótulo “experimental” indica que a DeepSeek está coletando feedback antes de um lançamento de produção.
O contexto
O lançamento chega num momento de competição acirrada no espaço multimodal, em que visão está deixando de ser um diferencial de topo para virar requisito básico. O Gemini 3.7 Flash, do Google, lançado em 13 de agosto, já é nativamente multimodal com texto, imagem, vídeo e áudio. Anthropic e OpenAI também vêm lançando modelos com visão ao longo de 2025 e 2026.
O timing também é curioso dentro da trajetória da DeepSeek neste mês: a empresa aumentou os preços da API em 50% a 1.100% na série V4 em meados de agosto, e segue o rumor de um IPO avaliado em cerca de US$ 86 bilhões. A variante com visão transforma o V4-Flash de um modelo barato só de texto em uma plataforma de agentes multimodais pelo mesmo preço — o que pode ampliar o apelo entre desenvolvedores que constroem fluxos de leitura de screenshot e automação de interface.
Minha opinião: o movimento é esperto. Em vez de lançar um modelo “premium” de visão caro, a DeepSeek empacota a capacidade no mesmo preço do modelo de texto — e ainda abre os pesos. Para quem já usa o harness dsh ou constrói agentes que precisam “ler a tela”, é uma peça a mais no quebra-cabeça de rodar agentes sem depender de um único provedor.